http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 주제어 : loss attentional model (검색결과 2 건)
-
보상 맥락에 따른 의사 결정 양상의 차이 : 유사성에 따른 의사 결정에서
This study is about generalization of expected value on similar stimulus. From precedent study about perception, it is known that generalization curve of loss context is wider than gain context. In this study, we were interested in the effect of reward context on transfer of expected value in similar stimulus which is easy to be discriminated to original. The experiment was divided to learning phase and decision phase. In learning phase, participants learned association between orientation and rewards, and in decision phase, they valued willingness to bet on stimulus those are similar to learned stimulus. As a results, there was a transfer of expected value on similar stimulus. Also, the strength of willingness to bet was depend on the degree of similarity. There was no significant difference between gain and loss context. To know whether proportion of gain and loss would affect participants’ decision, we proceed experiment 2. We modified the proportion to be biased to gain in experiment 2. As a result, the difference of strength of willing to gamble did not shown in gain context. These results are opposed to the explanation of loss aversion theory that people charge more weight to losses than equivalent gains. Alternatively, our study supports loss attentional model, which suppose that tendency of avoidance is not shown for minor losses. 본 연구에서는 자극과 보상의 연합 학습이 유사한 자극의 기댓값 예측에 전이되는 양상을 보상 맥락을 나누어 알아보고자 하였다. 지각 분야의 선행연구에서는 이익과 손실의 맥락에 따라 지각적으로 유사한 자극들의 구분 정도가 다르다는 것이 밝혀졌다. 본 연구에서는 이를 기댓값 예측 과제에 적용하여, 지각적으로 구분이 가능한 자극들의 이익과 손실의 기댓값 전이에서 어떤 차이가 나타나는지 알아보고자 하였다. 실험은 학습 단계와 판단 단계를 나누어 진행되었다. 학습단계에서는 특정 자극을 이익이나 손실에 연합하여 학습하였다. 판단 단계에서는 앞서 학습된 자극, 그와 방위적으로 유사한 자극들을 제시하고 제시된 자극에 대해 도박의향을 결정하도록 했다. 그 결과, 학습한 바에 따라 유사한 자극들에 대해 보상의 기댓값을 전이시키는 양상이 나타났고, 유사성의 정도에 따라 기댓값에 차이가 나타났다. 그러나 이익과 손실 맥락에서 일반화 양상의 차이는 발견되지 않았다. 실험 2에서는 이익의 양을 손실보다 크게 하여(이익 편향) 실험을 진행하였다. 실험 1에서와 전이가 되는 양상이 다른 것을 알 수 있었다. 차이가 발견된 것은 이익 맥락으로, 실험 2에서는 유사성에 따른 점수 차이가 크지 않았다. 이러한 결과들은 손실이 같은 양의 이익보다 크게 매겨진다는 손실 회피 가설과 대립되며, 작은 손실에서는 회피 성향이 나타나지 않는다는 주의적 모델의 설명을 따를 수 있다.
-
주가 방향성의 다중 시점 예측을 위한 해석 가능한 Transformer 모델 연구
주식 시장 예측 연구는 금융 데이터를 활용한 시계열 예측 분야에서 활발히 연구되어 오던 주제이다. 주식 시장을 예측하는 방법론으로 주가를 예측하는 방식과 주가의 방향성을 예측하는 방식이 있는데 투자나 정책 입안과 같은 의사결정을 위해서 두 방법 모두 필요하다. 그리고 투자의 리스크를 더 줄이기 위해 미래의 한 시점을 예측하는 것보다 여러 시점을 예측할 수 있는 다중 시점(Multi-step) 주가 예측 방법론이 중요한데 이에 대한 연구는 많지 않다. 본 논문에서는 딥러닝 모델 중 Transformer 기반의 모델을 활용해 주가와 방향성의 다중 시점 예측 성능을 높인 모델을 제시한다. 이를 위해 다중 시점 시계열 예측에 쓰이고 있는 Transformer 기반의 state-of-the-art(SOTA) 모델을 선정한 후, 멀티헤드 어텐션(Multi-Head Attention) 과정에 희소한 어텐션(Sparse Attention)을 적용하여 모델이 예측하고자 하는 시점과 관련이 높은 시점에만 집중할 수 있도록 유도하였다. 그리고 기존의 모델 학습에 쓰이던 손실 함수를 변형시켜 주가와 방향성 예측에 대한 손실을 모두 반영하였다. 제안하는 기법들의 효과를 확인하기 위해 비교 실험을 진행하였으며, 희소한 어텐션과 변형된 손실 함수가 주가와 방향성 예측 성능 향상에 기여함을 검증하였다. 그러나 위에서 학습된 모델이 미래를 정확하게 예측하더라도 투자 전문가들의 보조도구로써 사용되기 위해서는 모델의 예측 결과를 설명할 수 있는 근거가 필요하다. 그러므로 본 논문에서는 어텐션 패턴, 변수 중요도, 부분 의존성과 같이 모델의 예측을 해석 가능하도록 돕는 결과들을 도출하였으며, 이를 이용하여 학습된 모델이 직관과 부합하는 방식으로 학습되었고 데이터셋 내 특징도 우수하게 잡아내는 것을 보였다. Stock market forecasting is a topic that has been actively studied in the field of time series forecasting using financial data. As a method for forecasting the stock market, there are a method of forecasting stock prices and a method of forecasting the movement of stock prices. Both methods are required for decision-making, such as investment or policy-making. In addition, to further reduce investment risk, a multi-step stock price forecasting methodology that can predict multiple points in the future is more important than forecasting a single point in the future. However, there are not many studies on this. This thesis presents a model with improved multi-step forecasting performance of stock price and stock price movement by using a Transformer-based model. For this purpose, after selecting a Transformer-based state-of-the-art(SOTA) model used for multi-step time series forecasting, sparse attention is applied to the multi-head attention process to make the model induced to focus only on the time step highly related to the time step to be predicted. Moreover, by modifying the loss function used in the model training, both the stock price and movement forecasting losses were reflected. A comparative experiment was conducted to confirm the effectiveness of the proposed techniques, and it was verified that the sparse attention and modified loss function contribute to the improvement of stock price and movement forecasting performance. However, even if the model learned above accurately forecasts the future, to be used as an auxiliary tool for investment experts, a rationale for explaining the forecasting results of the model is needed. Therefore, in this paper, we derive results that help interpret model predictions, such as attention pattern, variable importance, and partial dependence. From the result, it was shown that the model was trained in a way consistent with intuition, and it was also shown that the features in the dataset were captured well.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
